Deep Learning
Le Deep Learning, ou apprentissage profond, est une forme d’intelligence artificielle (sous-catégorie du Machine Learning). Il repose sur des réseaux de neurones artificiels organisés en plusieurs couches, capables d’apprendre des représentations de plus en plus abstraites à partir de grandes quantités de données.
Appliqué à la détection de fichiers malveillants en cybersécurité, un modèle de Deep Learning apprend à reconnaître les caractéristiques d’un code malveillant à partir d’un grand nombre d’exemples de fichiers sains et malveillants, plutôt que de comparer un fichier à une base de signatures connues.
Pourquoi le Deep Learning est-il utilisé en détection de malwares ?
Les approches traditionnelles reposent sur des signatures, c’est-à-dire une empreinte propre à chaque malware connu. Elles restent efficaces sur les menaces déjà répertoriées, mais un attaquant peut contourner une signature en recompilant ou en modifiant légèrement son code.
Un modèle de Deep Learning ne dépend pas de cette empreinte. Il apprend les structures caractéristiques d’un code malveillant, ce qui lui permet de reconnaître un fichier dangereux même lorsqu’il n’a jamais été observé sous cette forme exacte.
Quelles menaces le Deep Learning permet-il de détecter ?
Cette approche est particulièrement adaptée à deux catégories de menaces que les signatures couvrent mal : les variants de malwares connus, obtenus en modifiant ou en recompilant un code existant, et les menaces zero-day, encore inconnues des bases de signatures au moment où elles frappent.
Comment GLIMPS utilise le Deep Learning ?
Le Deep Learning est au cœur de la technologie de détection de GLIMPS. Il alimente notamment le Deep Engine, le moteur de détection IA propriétaire qui analyse le code binaire pour en extraire la sémantique fonctionnelle. Cette technique, appelée la conceptualisation de code, permet de détecter un malware indépendamment de sa signature ou de ses métadonnées.